GPT-5.6のSol・Terra・Lunaって何が違うの？使い分けは?3モデルの特徴・料金・使い分けを整理

GPT-5.6のSol・Terra・Lunaって何が違うの？3モデルの特徴・料金・使い分けを整理

GPTのバージョンも、ついに5.6まで進みました。これまでのminiやnanoから一転、今回の名前は「Sol」「Terra」「Luna」です。

名前は覚えやすくなりましたが、選び方は少し難しくなりました。いちばん上のSolを選べば終わり、という単純な話ではありません。

今回はそんなGPT-5.6を解説していきます。

普段はTerra、難題はSol、定型処理はLuna

3モデルの役割は、次のように分けると扱いやすいです。

• 普段の実装、調査、ドキュメント修正はTerra
• 要件が曖昧な設計、複数領域にまたがる変更、最終レビューはSol
• 抽出、分類、形式変換、短い修正の反復はLuna
• 2回ほど修正しても制約違反やテスト失敗が続くなら、上位モデルへ切り替える

判断に必要な違いを、用途と運用上の役割に絞ると次のようになります。

OpenAIは、Solを複雑な専門業務向けのフラッグシップ、Terraを知能とコストのバランスを取るモデル、Lunaをコスト重視の大量処理向けモデルと位置づけています。記事内の用途は、この公式説明に実務上の判断を加えたものです。

図：GPT-5.6 Sol・Terra・Lunaの基本ルーティング

GPT-5.6とは？世代名と能力階層が分かれたモデルファミリー

GPT-5.6は、Sol・Terra・Lunaの3階層で構成されるモデルファミリーです。OpenAIは、数字をモデル世代、Sol・Terra・Lunaを能力階層として扱う命名方式を導入しました。

gpt-5.6というAPIエイリアスはSolを指します。TerraとLunaを使う場合は、gpt-5.6-terraまたはgpt-5.6-lunaを明示的に指定します。

「mini相当」「nano相当」は、過去モデルと能力が同じという意味ではありません。価格と役割の階層を理解するための目安です。

GPT-5.5やGPT-5.4から何が変わったのか

GPT-5.6では、1つの世代内で能力・速度・コストの違いが名前から分かるようになりました。OpenAIはGPT-5.6の新要素として、maxを含む推論量、Pro mode、reasoningの引き継ぎ、明示的プロンプトキャッシュ、Programmatic Tool Calling、Multi-agentなどを案内しています。

移行時に大切なのは、モデルIDだけを置き換えないことです。OpenAIのモデルガイダンスでは、現在のreasoning effortと同じ設定を基準に、1段階低い設定も代表タスクで比較するよう勧めています。

3モデルの共通仕様は広いが、実効品質は同じではない

Sol・Terra・Lunaは、基本仕様の多くを共有しています。コンテキスト長やツール対応だけを見ると似ていますが、同じ仕事を同じ品質で終えられるとは限りません。

比較の土台になる主な仕様は次の通りです。

Responses APIでは、Web検索、ファイル検索、画像生成、Code Interpreter、Hosted shell、Apply patch、Skills、Computer use、MCP、Tool searchなどのツールを利用できます。最新の対応状況は、Sol、Terra、Lunaの各モデルページで確認してください。

1,050,000トークンを入力できることと、その全体から必要な依存関係を確実に見つけられることは別です。長い指示の保持、複数ファイルへの変更、既存ルールの発見といった実効品質は、モデル、推論量、プロンプト、ツール構成によって変わります。

GPT-5.6 Solは設計・難題・最終レビュー向け

Solは、考える範囲が広く、見落としの代償が大きい仕事へ優先して割り当てたいモデルです。OpenAIも複雑な推論、コーディング、専門的な知識労働を担うフラッグシップとして案内しています。

Solが向いている仕事

要件を整理するところから必要なタスクや、複数の制約を同時に満たす仕事ではSolが候補に入ります。

• 新機能やシステム全体の設計
• 複数パッケージ、複数サービスをまたぐ変更
• 原因候補が多い難しいデバッグ
• データ移行、認可、課金など失敗コストの高い実装
• 長い調査から結論と根拠をまとめる専門業務
• TerraやLunaが作った成果物の最終レビュー

API境界の変更、データモデルの移行、認可方式の見直し、複数プラットフォームへの対応は、最初からSolへ任せる方が無理がありません。再試行の費用より、見落としによる損失の方が大きくなりやすいためです。

Solを常用しなくてもよい場面

対象ファイル、変更内容、テスト方法がすでに決まっている小さな修正では、Solの能力を持て余すことがあります。品質差を測らないまま上位モデルを固定すると、待ち時間や費用だけが増える可能性もあります。

使えることと、常用した方がよいことは別です。普段はTerraを使い、曖昧さや影響範囲が広がったときだけSolへ切り替える方が運用しやすくなります。

発散的なアイデア出しでは別モデルも候補になる

今回の実務家インタビューでは、GPT-5.6系は「従順性が高く、イメージが詰まっている設計に強い」という評価がありました。一方、案を広げる段階ではClaudeやGeminiへ切り替える運用も挙がっています。

これはSolの能力不足というより、モデルの応答傾向と工程の相性を見る考え方です。仕様へ収束させる工程はSol、アイデアやデザインの方向を広げる工程は別系統のモデルという分け方もできます。

GPT-5.6 Terraは日常的な開発の標準レーン向け

Terraは、範囲と完了条件がある程度決まった仕事の既定モデルに向いています。知能とコストの均衡を取る位置づけで、Solを常用せずに日常タスクを進める役割です。

Terraが向いている仕事

対象範囲と確認方法を説明できる仕事なら、まずTerraから始めやすくなります。

• 仕様が決まった機能の実装
• 数ファイルに収まる修正やリファクタリング
• テスト追加と既存テストの修正
• コードベースの調査と変更候補の整理
• ドキュメントや設定ファイルの更新
• 条件が定義された調査、要約、資料作成

今回のインタビューでも、「設計ではSolも使いつつ、メインはTerraでよい」「AGENTS.mdをきちんと組めばTerraで問題ない」という評価がありました。1人の実務経験であり一般的な性能を証明するものではありませんが、モデル単体の能力だけでなく、リポジトリ側の指示設計が結果を左右することを示す材料にはなります。

Terraを使うなら完了条件まで書く

依頼には、変更対象だけでなく「何を壊してはいけないか」「どのコマンドが通れば完了か」まで含めます。AGENTS.mdにはテスト手順、編集禁止範囲、命名規則、承認が必要な操作をまとめておくと、モデルを変えても運用ルールを引き継ぎやすくなります。

たとえば、単に「ログイン機能を修正して」と渡すより、次の情報がある方が作業範囲を固定できます。

目的：ログイン失敗時のエラー表示を統一する

変更対象：認証画面と認証APIのエラーマッピング

変更しないもの：認証方式、DBスキーマ、成功時の画面遷移

完了条件：関連テストを追加し、既存の認証テストも通る

確認コマンド：npm run test:auth

TerraからSolへ切り替える目安

Terraで修正を重ねるより、Solへ切り替えた方がよい場面もあります。単なる書き間違いではなく、タスクの理解や依存関係の発見が足りていないときが目安です。

• 同じ制約違反が2回続いた
• 修正するたびに別のテストが失敗する
• 対象が複数パッケージ、複数サービスへ広がった
• 要件の優先順位をモデル自身が整理する必要がある
• 誤った変更が本番障害、データ破損、セキュリティ問題につながる

「2回」は普遍的な性能基準ではなく、再試行を無制限に続けないための運用上の初期値です。実行ログを残し、自分たちのタスクに合う閾値へ調整してください。

GPT-5.6 Lunaは短く明確な大量処理向け

Lunaは、正解条件を機械的に判定しやすい反復処理で使いやすいモデルです。1回の判断を深く任せるより、短い処理を速く回し、失敗を検知できる場所に置くと役割が明確になります。

Lunaが向いている仕事

入力と出力の形式が決まっている仕事なら、低い単価を運用上の強みに変えやすくなります。

• 文書から指定項目を抽出する
• 問い合わせやIssueを分類する
• JSONやCSVを決められた形式へ変換する
• 大量の文章を同じ基準で短く要約する
• リポジトリを探索し、関連ファイルを列挙する
• 小さな修正を行い、テスト結果を返す

構造化出力、型検査、単体テスト、件数照合など、合否を自動判定できる仕組みと組み合わせるのが基本です。「安いから任せる」のではなく、「失敗を安く検知できるから任せる」と考えると整理しやすくなります。

大味なタスクでは再試行が増えやすい

「この機能をよくして」「リポジトリ全体を整理して」のように、完了条件を決めるところから必要な依頼はLunaに向きません。タスクを小さく分けられない場合は、TerraかSolから始めた方が修正の往復を抑えやすくなります。

インタビューでは、Lunaと速度を上げる設定を組み合わせ、短い修正サイクルを回す運用案が挙がりました。速く試せることは強みですが、再試行が増えると人の待ち時間やレビュー負担まで含めた総コストは上がります。

reasoning effortはモデル名と別に調整する

GPT-5.6では、モデルを選んだ後に推論量も調整できます。対応するreasoning effortはnone、low、medium、high、xhigh、maxです。

設定を上げれば常に得をするわけではありません。推論量が増えるほど難しい問題を探索する余地は広がりますが、レイテンシとトークン使用量も増えやすくなります。

下位モデルのhighと上位モデルのmediumは、比較する価値があります。たとえばTerraの推論量を上げる方がよいのか、Solの標準設定へ切り替える方がよいのかは、タスクごとの成功率と総コストで判断します。

プロンプト、推論量、モデルはこの順で見直す

失敗の原因が依頼の曖昧さなら、先に完了条件や制約を直します。方針は合っているものの探索が浅いなら、同じモデルでreasoning effortを上げる余地があります。

依存関係の見落とし、設計判断の不足、長い工程での脱線が続くなら、上位モデルへ切り替える方が近道です。設定だけで粘らず、原因に合わせて変更箇所を選ぶ必要があります。

Pro modeは難しい仕事を品質優先で解く実行モード

Pro modeは、難しいタスクに対してモデル内部の作業量を増やし、1つの最終回答を返すResponses APIの実行モードです。別のAPIモデルIDへ切り替える機能ではなく、選んだGPT-5.6モデルにreasoning.mode: "pro"を設定します。

reasoning effortとは独立して選べます。APIでは省略時に標準モード、Pro modeともmediumが既定です。

複雑な最適化、高価値な実装やレビュー、深い分析など、少しの品質差が結果へ大きく影響する仕事が候補になります。日常的な修正やレイテンシ重視の処理では、標準モードから始める方が無理がありません。

ChatGPT上の「GPT-5.6 Sol Pro」は、利用できるプランと通常のSolでの推論設定が異なります。APIのPro modeとChatGPTの表示を混同しないようにしてください。

GPT-5.6の新機能は長時間エージェント運用を変える

GPT-5.6では、モデル性能だけでなく、長い処理やツール連携を支える機能も増えています。すべてを最初から導入する必要はありませんが、APIでエージェントを組む場合は役割を理解しておくと設計しやすくなります。

Persisted reasoningは複数ターンの判断を引き継ぐ

Persisted reasoningは、利用可能なreasoning itemを後続ターンで再利用する仕組みです。目標、前提、優先順位が長いセッションを通じて変わらない場合は、reasoning.contextで引き継ぎ方を調整できます。

前の判断が現在のタスクに関係しなくなった場合まで残すと、かえって扱いにくくなる可能性があります。安定した長期タスクではall_turns、過去の推論が不要ならcurrent_turnというように、会話履歴とは別に管理します。

明示的プロンプトキャッシュは再利用範囲を指定できる

GPT-5.6では、再利用するプロンプト接頭辞の区切りを明示できます。長いシステム指示、ツール定義、変わりにくいリポジトリ情報を繰り返し送る処理では、キャッシュの使い方が費用とレイテンシへ影響します。

キャッシュ書き込みは通常入力単価の1.25倍、キャッシュ読み取りは通常入力から90％割り引かれます。書き込みを増やせば得になるわけではないため、cached_tokensとcache_write_tokensを記録し、再利用回数を含めて判断します。

Programmatic Tool Callingは決まったツール処理をまとめる

Programmatic Tool Callingでは、モデルがJavaScriptを書き、対応するツールを呼び出し、中間結果を処理できます。各段階で新しい判断を挟まなくてもよい、境界が明確なツール処理に向いています。

呼び出し回数や中間出力が減っても、最終成果物の根拠や完全性が落ちれば改善とはいえません。代表タスクで成功率、総トークン、時間、費用を比較してから採用します。

Multi-agentは分割できる仕事を並列化する

Responses APIのMulti-agentは、GPT-5.6が複数のサブエージェントを並行実行し、結果を統合するベータ機能です。独立した調査、複数モジュールの分析、観点別レビューのように、作業を明確に分けられるタスクが候補になります。

同じファイルを複数のエージェントが編集する仕事や、前工程の結果を待たないと次へ進めない仕事は並列化と相性がよくありません。速さだけでなく、重複作業と統合時の欠落も評価する必要があります。

API料金は入力・出力・キャッシュ・長文条件で読む

APIの標準単価は、Solが入力$5／出力$30、Terraが入力$2.50／出力$15、Lunaが入力$1／出力$6です。単位はいずれも100万トークン当たりです。

キャッシュ読み取りを含めると、現在の料金は次のようになります。

価格はOpenAIのモデル比較ページに掲載された料金です。272,000トークンを超える入力では、リクエスト全体に対して入力が2倍、出力が1.5倍で計算されます。

1回の料金より成功タスク当たりのコストを見る

安いモデルが、そのまま安い運用になるとは限りません。再試行、人のレビュー、待ち時間まで含めて1件を終わらせる費用を見る必要があります。

かなりざっくり言うと、計算したいのは次の値です。

成功タスク当たりのコスト = 全試行のAPI費用 + 人の確認・修正コスト + 失敗による損失

API料金だけを比べる場合でも、不合格の試行を無視せず、すべての試行料金を成功した件数で割ります。Lunaで3回やり直すより、Terraで1回で終わる方が安くなるタスクもあり得ます。

ChatGPTやCodexの利用枠はAPI単価と分ける

APIのトークン課金と、ChatGPTやCodexの契約内で使う利用枠・クレジットは同じ指標ではありません。API単価が低くても、Codexでの反復が多ければ体感的な利用枠を早く消費する可能性があります。

契約内で使う場合は、利用中の画面に表示される上限とレートカードを確認します。API運用では、モデル別のトークン量、キャッシュ、ツール料金をログに残す方が比較しやすくなります。

ChatGPT・Codex・APIでは選べるモデルが違う

利用面によって、3モデルの選び方は変わります。2026年8月2日時点の公式案内を整理すると、次の通りです。

通常のChatGPT会話では、GPT-5.5 Instantが高速な日常回答の既定として残り、対象プランではGPT-5.6 Solが推論オプションを担当します。TerraとLunaは通常会話のモデル選択には表示されません。

したがって、「Terraを既定にする」という本記事の結論は、主にCodex、ChatGPT Work、APIでモデルを明示的に選べる場合に当てはまります。通常のChatGPT会話だけを使う人は、GPT-5.5 InstantとSolの推論設定を使い分ける形です。

最新のプラン条件はGPT-5.6 in ChatGPTで確認してください。段階的な提供や管理者設定により、対象プランでも画面に表示されない場合があります。

用途別に見ると、モデルの境界が分かりやすい

モデル名から選ぶより、仕事の種類から逆算する方が判断しやすくなります。以下は最初の割り当てを決めるための初期案です。

コーディングはTerraを標準にして範囲で切り替える

仕様が決まり、テストで合否を判定できる実装はTerraから始めます。複数パッケージ、データ移行、認証、課金、プラットフォーム差が絡む場合はSolが候補です。

Lunaは、型エラーの修正、決まった形式への変換、テストが明確な小さな変更に絞ります。大きなIssueをそのまま渡すより、TerraやSolに計画を作らせてから小さく分ける方が扱いやすくなります。

調査と文章作成は「統合判断が必要か」で分ける

項目抽出や定型要約はLuna、複数資料を整理して判断を作る作業はTerraが基準です。根拠が対立する専門調査、意思決定に影響する提案、公開前の厳密なレビューではSolを候補に入れます。

文章の品質はモデル名だけでなく、読者、目的、使う根拠、禁止事項、完成条件の指定にも左右されます。モデルを上げる前に、何を判断してほしいのかを明示してください。

エージェントは1回の賢さより完了品質を見る

長時間のエージェント作業では、単発回答の見栄えより、制約を守り、必要なツールを使い、検証まで終えられるかが重要です。成功率、再試行、ツール呼び出し、残存欠陥をまとめて評価します。

Lunaで前処理し、Terraで通常作業を進め、難題と最終確認をSolへ送る構成は分かりやすい初期案です。ただし、固定ルールにせず、自分たちの実行ログから切り替え条件を調整します。

モデルより先にエスカレーション条件を決める

3モデルを使い分けるなら、最初の選択よりも、いつ切り替えるかを決めておくことが重要です。既定モデルで粘るほど得になるとは限りません。

図：GPT-5.6で失敗したときの切り替え順

切り替え判断では、次の順序が使いやすいです。

1. 完了条件や禁止事項が足りないなら、プロンプトを直す

2. 方針は合っているが探索が浅いなら、reasoning effortを上げる

3. 見落としや脱線が続くなら、上位モデルへ切り替える

4. モデルを上げても改善しないなら、タスク分割、ツール、テスト、人のレビューを見直す

5. 発散性や応答傾向が合わないなら、ClaudeやGeminiなど別系統のモデルも比較する

自分の仕事に合うモデルは小さな評価セットで決める

公開ベンチマークだけでは、自分のリポジトリや業務に合うモデルを決められません。代表タスクを固定し、同じ入力と合格条件で比べる必要があります。

最初は10〜20件ほど選ぶと、日常運用の傾向をつかみやすくなります。統計的な優劣を断定するための件数ではなく、ルーティング規則を作るための出発点です。

評価セットには難しさの違う仕事を入れる

簡単なタスクだけではSolの必要性を測れず、難題だけではLunaの費用対効果を判断できません。次の軸を分散させます。

• 完了条件が明確か、曖昧か
• 1ファイルか、複数領域へまたがるか
• ツール利用が少ないか、多いか
• 失敗を自動検知できるか、人の判断が必要か
• 間違いの影響が小さいか、大きいか
• 1件の品質か、大量処理の総量を優先するか

成功率だけでなく再試行と人の修正も記録する

モデルごとに、次の項目を残します。

• 成功率と合格までの試行回数
• 入力、出力、キャッシュ、推論を含むトークン量
• 完了までの時間
• 人がレビューや修正に使った時間
• テストで見つかった欠陥と、レビュー後に残った欠陥
• 最初のモデルから別モデルへ切り替えた理由

同じプロンプトを全モデルへ渡すだけでは、公平な比較にならない場合もあります。最初は共通条件で差を確認し、その後に各モデルへ最小限の調整を加え、運用時の実力も測る2段階が分かりやすいです。

発売初期のレビューは結論ではなく試験項目として読む

提供資料で参照された公開直後のレビューには、Solの複雑な実装での追従性を評価する声、Lunaの探索や文書作業を評価する声がありました。一方で、Lunaの指示追従や反復回数、3モデル共通の回帰を問題視する事例もあります。

これらは少数の自己申告であり、モデル全体の性能や不具合率を示す統計ではありません。「Solなら必ず成功する」「Lunaは不安定」といった結論には使えない情報です。

初期レビューの価値は、次のような試験項目を見つけられる点にあります。

• 長い指示と禁止事項を最後まで保てるか
• 複数パッケージの依存関係を見つけられるか
• メタデータ、生成元、生成物、移行を一緒に更新できるか
• テスト失敗後に原因を直し、別の回帰を増やさないか
• 何回の反復で完了し、利用枠やトークンをどれだけ使うか

自分の環境で再現できない事例は、採用判断の根拠ではなく検証候補として残します。投稿者の利用面、モデル設定、タスク、比較条件が分からない感想は、さらに弱い材料として扱うのが安全です。

Solでもテストと差分レビューは省かない

上位モデルを選んでも、安全確認まで任せ切りにはできません。特にメタデータ、生成物、移行、検証スクリプトが連動する変更では、見えているファイルだけを直して回帰を起こす可能性があります。

モデルに依存せず、次の工程を固定します。

1. 変更前に関連ファイル、生成元、生成物、移行処理を列挙する

2. 実装前に変更計画と対象外を確認する

3. 変更後に生成処理、型検査、単体テスト、統合テストを実行する

4. 差分が計画した範囲に収まっているか確認する

5. 認可、課金、データ破壊など高リスク部分は人または別モデルでもレビューする

テストがない場合は、モデルを上げる前に検証方法を用意した方が効果的なこともあります。高い能力は安全策の代わりではなく、安全策を使って仕事を完了するための要素です。

GPT-5.6 Sol・Terra・Lunaのよくある疑問

gpt-5.6を指定するとどのモデルが使われる？

gpt-5.6はSolを指すエイリアスです。TerraやLunaを使う場合は、それぞれgpt-5.6-terra、gpt-5.6-lunaを指定します。

Solが常にいちばんよい選択？

難しい仕事ではSolが有力ですが、すべてのタスクで常用する必要はありません。完了条件が明確な日常作業はTerra、合否を自動判定できる大量処理はLunaの方が、速度と費用を含めて扱いやすい場合があります。

TerraとLunaは通常のChatGPTで選べる？

2026年8月2日時点では、TerraとLunaを通常のChatGPT会話で直接選択することはできません。ChatGPT Work、Codex、OpenAI APIでは、プランなどの条件に応じて利用できます。

コンテキストが同じなら3モデルの長文性能も同じ？

同じ1,050,000トークンへ対応していても、長い指示の保持、情報の発見、依存関係の理解が同じとは限りません。コンテキスト長は入力できる上限であり、タスクの完了品質は別に評価する必要があります。

reasoning effortを上げればモデルを変えなくてよい？

探索の深さが足りない場合は改善する可能性があります。ただし、依頼の曖昧さ、モデルとタスクの相性、ツールや検証の不足は、推論量だけでは解決しにくい問題です。

GPT-5.6が合わないときはどうする？

モデル階層と推論量を調整しても期待する結果にならない場合は、ClaudeやGeminiなど別系統のモデルも比較対象に入ります。特に発散的なアイデア出しや文章の応答傾向は、単純な能力の上下だけでは決まりません。

まとめ：Terraを起点に、計測しながら上下へ振り分ける

GPT-5.6の3モデルは、仕事を振り分ける3つのレーンとして考えると分かりやすくなります。普段はTerra、設計と高リスク変更はSol、短く明確な大量処理はLunaが基本です。

モデル名だけで固定せず、プロンプト、reasoning effort、テスト、人のレビューまで含めて運用します。単価ではなく、再試行と修正を含む成功タスク当たりのコストを見ることも重要です。

最初の一歩は、過去に完了した仕事から「定型処理」「通常実装」「難しい設計」を3件ずつ選び、同じ完了条件で3モデルを試すことです。成功率、再試行、総トークン、人の修正時間を記録し、2回失敗したら上位モデルへ切り替える仮ルールから始めると、自分たちの仕事に合う運用へ調整できます。